Nachhaltigkeit des digitalen internationalen chinesischen Literaturunterrichts durch einen fuzzy analytischen Hierarchieprozess und fuzzy umfassende Bewertung

Zusammenfassung

Dieses Protokoll beschreibt einen reproduzierbaren fuzzy-analytischen Hierarchieprozess und einen fuzzy comprehensive evaluation (FAHP-FCE)-Workflow, um die Nachhaltigkeit des digital unterstützten internationalen chinesischen Literaturunterrichts zu quantifizieren. Es operationalisiert Nachhaltigkeit über technische, pädagogische, kulturelle und politische Dimensionen hinweg und liefert Indikatorgewichte, Dimensionswerte sowie einen interpretierbaren Nachhaltigkeitsindex für kontextübergreifende Vergleiche.

Zusammenfassung

Dieses Protokoll beschreibt eine replizierbare Methode zur Bewertung der Nachhaltigkeit digitalunterstützter internationaler chinesischer Literaturlehre mittels eines hybriden FAHP–FCE-Modells. Das übergeordnete Ziel ist es, multidimensionale Nachhaltigkeitsurteile in einen transparenten, quantitativen Nachhaltigkeitsindex (SI) umzuwandeln. Der Arbeitsablauf erstellt ein vierdimensionales Indikatorensystem mit 19 Indikatoren. Expertenurteile leiten Indikatorgewichte mittels FAHP ab, während die Fragebogenantworten von Lernenden und Lehrkräften mit dem FCE-Verfahren den Mitgliedschaftsgraden zugeordnet werden. Gewichtete Fuzzy-Synthese und Defuzzifikation ergeben dann das SI. Die repräsentative Umsetzung an drei Universitäten in China (237 Lernende und 9 Lehrkräfte) ergab eine Gesamt-SI von 78,2 ("Gut"), mit bedeutenden regionalen Unterschieden, die mit Unterschieden in kultureller Anpassung und institutionellen Ressourcen übereinstimmen. Das Protokoll hängt stark davon ab, ein glaubwürdiges Expertengremium einzuberufen. Darüber hinaus müssen Indikatoren konsistent operationalisiert werden, da unterschiedliche lokale Politikdefinitionen oder Lehrplanziele direkte standortübergreifende Vergleiche erschweren können. Zukünftige Anwendungen sollten eine longitudinale Implementierung über mehrere Semester umfassen, um die Stabilität von Gewichten und Mitgliedschaftsverteilungen zu testen, sowie vergleichende Studien, die diesen unscharfen Ansatz mit alternativen Multi-Kriterienmodellen vergleichen.

Einleitung

In den letzten Jahren hat die beschleunigte Konvergenz von Globalisierung und Digitalisierung die internationale chinesische Bildung grundlegend verändert, indem sie sich von technologiegestützten Klassenzimmern hin zu digital-native Lernökosystemen ^1,2 wandelt. Innerhalb dieses Wandels nehmen chinesische Literaturkurse eine besondere Rolle ein, weil sie mehr als nur den Spracherwerb unterstützen; Sie fördern außerdem kulturelle Identität, ästhetische Sensibilität und interpretative Kompetenz ^3,4. Diese Ergebnisse können besonders fragil in digitalen Umgebungen sein, in denen vorherrschende Bewertungsansätze oft unmittelbare, leicht quantifizierbare kognitive Fortschritte priorisieren, während sie langfristige Ziele wie emotionale Resonanz, anhaltende kulturelle Beteiligung und interpretative Tiefe^{unterbewerten 5,6}. Entscheidend ist, dass dieses Protokoll die pädagogische Nachhaltigkeit durch die Linse menschlichen Verhaltens bewertet. Durch die Quantifizierung der kognitiven Reaktionen, des emotionalen Engagements und des Unterrichtsverhaltens von Lernenden und Lehrern, die mit digitalen Literaturplattformen interagieren, übersetzt das Framework subjektive menschliche Erfahrungen in messbare Verhaltensindikatoren.

Bestehende Bewertungen bleiben sowohl im Umfang als auch in der Dauer begrenzt. Viele Studien stützen sich weiterhin auf vereinfachte Maße der Wissensbeherrschung⁷, wodurch komplexe Lernerfahrungen wie ästhetisches Vergnügen, kulturelle Empathie und dialogische Interpretation unterspezifiziert oder als periphere Ergebnisse behandelt werden ^8,9. Zudem können kurze Beobachtungsfenster – oft kürzer als ein einzelnes Semester – kumulative Effekte übersehen, etwa wie digitale Werkzeuge die interpretativen Routinen der Lernenden allmählich gestalten und wie sich die digital-pädagogische Expertise der Lehrkräfte durch iterative Praxis^{entwickelt 10,11}. Evaluationsrahmen sind ebenfalls häufig fragmentiert: Technische oder pädagogische Indikatoren werden isoliert berichtet, während kulturelle und politische Bedingungen, die eine nachhaltige Umsetzung einschränken oder ermöglichen können, selten in ein kohärentes Modell¹² integriert werden. Diese Fragmentierung verringert die Übertragbarkeit zwischen Standorten, insbesondere in interkulturellen Literaturklassen, wo Bedeutungsschaffung von Natur aus offen und kontextabhängig ist^13,14.

Während frühere Forschungen die Einführung digitaler Werkzeuge und kurzfristige kognitive Fortschritte beim Spracherwerb umfassend untersucht haben, bleiben Bewertungsrahmen häufig fragmentiert. In der bestehenden Literatur fehlen umfassende Modelle, die technische, pädagogische, kulturelle und politische Dimensionen in einen einzigen, messbaren Standard integrieren. Diese Studie muss durchgeführt werden, um diese kritische Lücke zu schließen, indem ein standardisierter FAHP-FCE-Rahmen eingeführt wird, der von subjektiven, kurzfristigen Bewertungen zu einem transparenten, reproduzierbaren Nachhaltigkeitsindex übergeht, der den standortübergreifenden Vergleich unterstützt.

Um diese Einschränkungen zu beheben, führt dieses Protokoll einen reproduzierbaren Rahmen zur Bewertung der Nachhaltigkeit des digital unterstützten internationalen chinesischen Literaturunterrichts ein. Aufbauend auf fuzzy multicriteria-Entscheidungsfindung integriert die Methode den Fuzzy Analytic Hierarchy Process (FAHP) mit Fuzzy Comprehensive Evaluation (FCE)¹⁵, um Nachhaltigkeit in vier verbundenen Dimensionen zu operationalisieren: technische Funktionalität, pädagogische Effektivität, kulturelle Anpassungsfähigkeit und politische Unterstützung. Der Ansatz ist darauf ausgelegt, drei praktische Vorteile gegenüber "präzisen" Bewertungsmodellen zu bieten: Er leitet transparente Indikatorgewichtungen aus Expertenurteilen ab und berücksichtigt sprachliche Unsicherheiten; sie wandelt Fragebogenantworten in Mitgliedschaftsabschlüsse um, die besser abgestufte Wahrnehmungen widerspiegeln; und es liefert einen interpretierbaren Nachhaltigkeitsindex, der den standortübergreifenden Vergleich und die Sensitivitätsanalyse^unterstützt 14,16,17. Durch die Integration interpretativer Transparenz, interkulturelle Anpassungsfähigkeit und langfristige Zuverlässigkeit in den Bewertungsablauf geht das Protokoll über kurzfristige Ergebnisprüfungen hinaus und bietet ein übertragbares Bewertungsinstrument für andere digital vermittelte und interkulturelle Lehrkontexte¹⁸.

Protokoll

Sichergestellt, dass die Studie den institutionellen ethischen Richtlinien für menschliche Forschung und den geltenden Datenschutzvorschriften entspricht^19,20. Vor jedem Studienverfahren wurde eine schriftliche informierte Zustimmung von jedem Teilnehmer eingeholt. Jedem Teilnehmer wurde ein Studiencode zugewiesen, alle Datensätze anonymisiert und der Verknüpfungsschlüssel (Identifizéierungen <> Codes) in einer separaten, zugriffsbeschränkten Datei gespeichert. Der Zugriff auf Rohdaten wird nur auf autorisiertes Personal beschränkt und dokumentiert die Aufbewahrungsdauer sowie den Löschplan in der Ethikanwendung.

1. Vorbereitung von Bewertungskontext und Materialien

1. Definieren Sie den Unterrichtskontext (d. h. das spezifische Bildungsumfeld, das demografische Profil der Lernenden und den pädagogischen Rahmen, in dem der digital unterstützte Unterricht stattfindet).
   1. Geben Sie den Kurstyp (internationale chinesische Literatur), die Zielgruppe und den Unterrichtsmodus (Präsenz, Blended oder Online) an.
   2. Definieren Sie die Mindestschwelle für die Lernkompetenz (z. B. Chinese Proficiency Test [HSK] Stufe 5 oder gleichwertig) und nennen Sie die operativen Zulassungskriterien (Testzertifikat, Einstufungsergebnis oder Bestätigung durch den Lehrer)^21,22.
   3. Geben Sie die Laufzeit (Wochen), Kontaktstunden, Plattform-/Werkzeugbeschränkungen (ohne Markennamen) und das einzige Bewertungsziel an: Quantifizieren Sie die Lehre von Nachhaltigkeit mit einem FAHP–FCE-Workflow 23,24,25.
2. Erstellen Sie die Materialliste
   1. Erfassen Sie alle Materialien (Formulare, Instrumente, Skripte, Software und Speicher) in der Materialtabelle, einschließlich: (i) den 19-Elemente-Fragebogen für Lernende (Supplementary File S1), (ii) das Experten-Paarvergleichsformular (Supplementary File S2), (iii) Informed-Consent-Formulare, (iv) Datenerfassungsvorlagen und (v) Analyseskripte und deren Versionen.
   2. Weisen Sie Dateinamen und Versionskennungen zur Reproduzierbarkeit zu (z. B. ergänzende Datei S1_questionnaire_items.pdf, ergänzende Datei S2_expert_form.pdf, fahp_weighting.py, fce_membership.py, si_compute.py und analysis_readme.txt)^26,27.
3. Erstellen Sie das Workflow-Diagramm (Abbildung 1)
   1. Zeichnen Sie ein einseitiges Flussdiagramm, das die Abschnitte 1–10 zusammenfasst, und beschriften Sie Eingaben/Ausgaben bei jeder Übergabe (Expertenurteile > unscharfe Matrizen > Gewichtungen; Lernantworten > Mitgliedschaftsmatrizen; Synthese > Nachhaltigkeitsindex).
   2. Markiere PAUSENPUNKTE (Abschnitt 3.2, 4.2, 8.3), die kritische Phasen anzeigen, in denen das Verfahren sicher gestoppt werden kann und wo spezifische Datenartefakte archiviert werden müssen, um die Reproduzierbarkeit zu gewährleisten, und geben an, welche Artefakte an jedem Punkt gespeichert werden müssen.

2. Konstruktion des Indikatorrahmens

1. Baue eine dreistufige Hierarchie auf.
   1. Das Bewertungsziel wird auf vier Dimensionen eingebettet (technische Funktionalität, pädagogische Effektivität, kulturelle Anpassungsfähigkeit, politische Unterstützung).
   2. Definieren Sie die 19 Indikatoren unter den vier Dimensionen (Ziel > Dimension > Indikator) und stellen Sie sicher, dass jeder Indikator anhand von Fragebogenantworten oder dokumentierten Nachweisen messbar ist.
2. Definiere Indikatoren und das Antwortformat.
   1. Schreiben Sie für jeden Indikator eine operationelle Definition, geben Sie an, ob er positiv ist (höher ist besser) oder negativ (niedriger ist besser), und notieren Sie die Indikator-Dimension-Abbildung in einem Datenwörterbuch (Tabelle 1).
   2. Spezifizieren Sie die Lernantwortskala als 7-Punkte-Likert-Format mit Ankern: 1 = stark uneinig; 7 = stimme voll und ganz zu.
      HINWEIS: Finalisieren und einfrieren Sie das Indikatorset, das für die Wiederverwendung über Kohorten hinweg verwendet wird, und archivieren Sie das Datenwörterbuch sowie die Tabelle 1-Version .

3. Das Expertengremium zusammenstellen und paarweise Urteile (FAHP) einsammeln

1. Rekrutieren Sie ein Expertengremium.
   1. Rekrutieren Sie ein rollenübergreifendes Gremium (z. B. Literaturdozenten, Spezialisten für Bildungstechnologie, Bewertungsforscher und Administratoren).
   2. Definieren Sie die Zulassungskriterien (Jahre Berufserfahrung, Vertrautheit mit digitalem Unterricht und interkulturelle Lehrerfahrung) und dokumentieren Sie die Zusammensetzung des Gremiums zur Transparenz.
2. Sammle unscharfe paarweise Vergleiche.
   1. Trainieren Sie Experten mit einer kurzen Einweisung zu den Maßen/Indikatoren und der Bedeutung von dreieckigen Fuzzy Numbers (TFNs)28,29,30.
   2. Geben Sie explizite Anker und Beispiele an, um die Variabilität zu verringern (z. B. TFN [2, 3, 4] = "wichtig"; TFN [4, 5, 6] = "sehr wichtig").
   3. Sammeln Sie paarweise Urteile für (i) die vier Dimensionen und (ii) Indikatoren innerhalb jeder Dimension und überprüfen Sie die Vollständigkeit vor Abschluss der Sitzung.

4. Erstelle unscharfe Urteilsmatrizen und prüfe Konsistenz

1. Konstruiere unscharfe Urteilsmatrizen.
   1. Wandeln Sie die paarweisen Antworten jedes Experten auf jeder^{Hierarchiestufe 25} in eine unscharfe reziproke Matrix um.
   2. Überprüfen Sie auf fehlende Einträge und setzen Sie vor der Aggregation Reziprozitätsregeln durch.
2. Teste Konsistenz und kläre Meinungsverschiedenheiten.
   1. Defuzzifizieren Sie jede Expertenmatrix zu einer klaren Matrix mit einer vorgegebenen Regel, wie zum Beispiel dem Schwerpunkt einer dreieckigen Fuzzy-Zahl (TFN)31,32,33. Der Crisp-Wert wird mit folgender Gleichung berechnet:
      
      wobei C der defuzzifizierte scharfe Wert ist und , , und die untere Schranke, den modalen (höchstwahrscheinlichen) Wert und die obere Schranke des TFN darstellen.
   2. Berechnen Sie das Konsistenzverhältnis (CR) auf der scharfen Matrix mit dem Analytic Hierarchy Process (AHP)-Verfahren^34,35. Dies beinhaltet die Berechnung des Haupteigenwerts (λ_max) der Matrix, die Bestimmung des Konsistenzindex (, wobei n die Matrixgröße ist) und das Teilen durch den entsprechenden Zufallsindex (RI), um die CR () zu erhalten. Setzen Sie die Akzeptanzschwelle als CR < 0,10.
   3. Wenn CR 0,10 ≥, geben Sie die widersprüchlichen Vergleiche an den Experten zurück, versöhnen Meinungsverschiedenheiten mittels moderierter Diskussion und erinnern Sie sich nur an die umstrittenen Urteile.
      PAUSEPUNKT: Archiviere jede Matrix, jeden CR-Bericht und jedes Abstimmungsprotokoll als Replikationsartefakte.

5. Fuzzy-Gewichte ableiten (FAHP-Output)

1. Aggregiere individuelle Urteile.
   1. Aggregiere Expertenmatrizen zu einer Fuzzy-Matrix auf Gruppenebene mit einem spezifizierten Operator (z. B. fuzzy-geometrischer Mittelwert)^17,36.
   2. Erfassen Sie den Aggregationsoperator und die Parameter in der ergänzenden Datei S2.
2. Defuzzieren und normalisieren Sie Gewichte.
   1. Defuzzifizieren Sie die Fuzzy-Prioritäten auf Gruppenebene, um klare Gewichte mit derselben vorgegebenen Defuzzifikationsregel¹⁰ zu erhalten.
   2. Normalisieren Sie Gewichte innerhalb jeder Ebene (Abmessungen summieren sich zu 1; Indikatoren innerhalb jeder Dimension summieren sich zu 1) und geben Sie die endgültigen Dimensionen sowie die Indikatorgewichtvektoren aus.
   3. Befülle Tabelle 1 mit Endgewichten und sperre die Tabellenversion, die für den folgenden FCE-Abschnitt verwendet wird.

6. Entwurf und Durchführung des Fragebogens für die Lernenden

1. Bereite das Instrument vor.
   1. Geben Sie die vollständigen 19 Elemente wortwörtlich in der ergänzenden Akte S1 an, die jeweils einem Indikator in Tabelle 1 zugeordnet sind.
   2. Verwenden Sie eine 7-Punkte-Likert-Skala mit klarem Ankertext auf jeder Seite/jedem Bildschirm (1 = stark anderer Meinung; 7 = stimme stark zu).
   3. Versuchen Sie den Fragebogen mit einer kleinen Gruppe (z. B. 10–15 Lernende), um das Verständnis und die Abschlusszeit^{von 37} zu bestätigen.
2. Führen Sie den Fragebogen durch und setzen Sie pro Teilnehmer eine eindeutige Antwort durch.
   1. Laden Sie berechtigte Lernende (HSK 5+ oder betriebliches Äquivalent) ein und legen Sie ein standardisiertes Datenerfassungsprotokoll fest. Spezifizieren Sie das genaue Verwaltungsfenster (z. B. einen definierten zweiwöchigen Zeitraum am Ende des Semesters) und den Abschlussmodus (z. B. beaufsichtigte Sitzungen im Unterricht von 15–20 Minuten zur Sicherstellung einer fokussierten Teilnahme oder kontrollierte Online-Verteilung über sichere, zeitlich begrenzte Umfragelinks). Dozenten oder Forscher müssen vor der Verteilung des Fragebogens ein standardisiertes Briefing bereitstellen, das den Zweck der Studie klar erklärt, die Datenanonymität gewährleistet und die 7-Punkte-Likert-Skala für alle Befragten definiert.
   2. Erzwingen Sie pro Teilnehmer eine Antwort, indem pro Lernender ein Einmal-Zugriffstoken (oder ein gleichwertiger Einmalcode) ausgegeben werden, wiederholte Einsendungen deaktiviert und mit dem Token-Log auf Duplikate geprüft werden.
   3. Wenn Anonymität erforderlich ist, speichern Sie Token getrennt von den Antworten und hashen Sie alle Login-Identifikatoren vor der Analyse.
   4. Dokumentieren Sie alle Ausschlussregeln (z. B. unvollständige Antworten, doppelte Token-Einträge) vor der Datenbereinigung, um nachträgliche Verzerrungen zu vermeiden.
3. Metadaten für die Analyse der Untergruppen aufzeichnen.
   1. Erfassen Sie umfassende, nicht identifizierende Metadaten, um das Profil der Befragten für die Untergruppenanalyse klar zu definieren. Für Lernende muss dies demografische und akademische Merkmale wie Muttersprachgruppe, Alter, Geschlecht, Mandarin-Studienjahre, aktuelles HSK-Niveau, akademisches Hauptfach, Kurstyp und Studienort umfassen. Für das Expertengremium werden ausdrücklich berufliche Demografien erfasst, darunter Jahre Lehrerfahrung, höchster erworbener akademischer Abschluss und spezifische Fachkenntnisse (z. B. Literaturunterricht, Bildungstechnologie).
      VORSICHT: Schützen Sie personenbezogene Daten und befolgen Sie genehmigte Verfahren zur Datenverarbeitung.

7. Berechnende Mitgliedschaftsgrade (FCE)

1. Definiere Bewertungsnoten und numerische Ergebnisse.
   1. Definieren Sie eine Bewertungsgruppe mit fünf Stufen: Ausgezeichnet, Gut, Mäßig, Relativ Schlecht, Schlecht.
   2. Zahlen Sie numerische Punktzahlen für die Noten-zu-Index-Umrechnung (z. B. 90, 80, 70, 60, 50) zu vergeben und das Bewertungssystem in der Supplementary File S3³⁸ festzuhalten.
2. Spezifizieren Sie Mitgliedschaftsfunktionen und erstellen Sie Mitgliedschaftsmatrizen.
   1. Spezifizieren Sie Mitgliedschaftsfunktionen für die Abbildung von Likert-Antworten auf Grad-Mitgliedschaften (z. B. trapezförmige Funktionen)^39,40.
   2. Geben Sie explizite Parameter für jede Notengrenze in der ergänzenden Datei S3 an und geben Sie an, ob die gleichen Parameter für alle Indikatoren gelten.
   3. Für jeden Indikator wird jede Lernantwort in einen 5-elementigen Mitgliedschaftsvektor umgewandelt und dann über die Lernenden aggregiert (z. B. durch Durchschnitt der Mitgliedschaften), um den Indikatorebene-Mitgliedschaftsvektor zu bilden.
   4. Stapeln Sie alle Indikator-Mitgliedsvektoren, um die Indikator-nach-Grad-Mitgliedschaftsmatrix zu erstellen.

8. Fuzzy-Synthese durchführen und den Nachhaltigkeitsindex (SI) herleiten

1. Wenden Sie einen gewichteten Fuzzy-Operator an.
   1. Kombinieren Sie den Indikator-Gewichtungsvektor mit der Indikator-Mitgliedschaftsmatrix unter Verwendung eines festgelegten gewichteten Fuzzy-Synthese-Operators (z. B. gewichteter Durchschnittsoperator), um den umfassenden Mitgliedschaftsvektor^41,42 zu erhalten.
   2. Geben Sie den Namen und die Formel des Betreibers in der ergänzenden Datei S3 an, um die eigenständige Reproduzierbarkeit sicherzustellen.
2. Defuzzify, um SI auf einer Skala von 0–100 zu berechnen.
   1. Konvertiere den umfassenden Mitgliedschaftsvektor in einen einzelnen SI-Wert durch gewichtete Durchschnittswerte der Notenwerte (wie in Abschnitt 8.1.2 definiert).
   2. Geben Sie dimensionsnahe SI-Werte aus, indem Sie Abschnitt 9.1–9.2 innerhalb jeder Dimension mit dimensionsspezifischen Indikatorgewichten wiederholen.
   3. SI-Werte mit vorgegebenen Grenzwerten klassifizieren: 85–90 = Ausgezeichnet; 75–84 = Gut; 65–74 = Moderat; 55–64 = Relativ schlecht; ≤ 54 = Schlecht.
      PAUSENPUNKT: Speichere Zwischenvektoren, Matrizen und Berechnungsblätter (oder Skriptausgaben) mit Datei-Hashes in einem Repository.

9. Optionale qualitative Validierung (gemischte Methoden)

1. Beispiele für Interviews.
   1. Probiere Dozenten und Lernende mit einem gezielten Schema an, das den SI-Mustern entspricht (z. B. hohe vs. niedrige kulturelle Anpassungsfähigkeit), und hole zusätzliche Zustimmung zur Aufnahme ein.
   2. Verwenden Sie einen halbstrukturierten Interviewleitfaden, der sich auf die Interpretierbarkeit von Scores, wahrgenommene Treiber der Nachhaltigkeit und kontextuelle Einschränkungen konzentriert (Supplementary File S4)⁴³).
2. Code- und Triangulationsergebnisse.
   1. Transkribiere Aufnahmen wortwörtlich und entkenne Transkripte vor der Codierung.
   2. Kodieren Sie Transkripte mit einem vorgegebenen Codierungsschema sowie Dokumentencodierer-Schulungen, Übereinstimmung zwischen Kodieren (falls zutreffend) und Auflösungsregeln^44,45.
   3. Trianguliert qualitative Themen mit SI-Ergebnissen auf Dimensionsebene, um Stärken und Schwächen zu kontextualisieren, ohne das quantitative Verfahren zu überschreiben.

10. Bericht und Archiv (Reproduzierbarkeitspaket)

1. Berichte über die Kernausgaben.
   1. Berichtsdimensionen und Indikatorgewichte, Mitgliedschaftsmatrizen (oder Zusammenfassungen), SI-Werte, Notenbezeichnungen und Untergruppenvergleiche (z. B. Standort- oder Kompetenzgruppen).
   2. Nennen Sie alle Ausschlussregeln und die endgültig analysierten Stichprobengrößen (achten Sie auf Konsistenz mit Abstract/Ergebnissen).
2. Archivmaterialien und Code.
   1. Archiviere anonymisierte Datensätze, Skripte und Tabellenkalkulationen, die für FAHP-Gewichtung, Mitgliedschaftsberechnung, Synthese und Defuzzifikation verwendet werden.
   2. Software-/Laufzeitversionen bereitstellen (z. B. Programmiersprachenversionen; Paketversionen) und feste zufällige Seeds (falls verwendet) ^46,47.
3. Führe eine Sensitivitätsanalyse durch (empfohlen).
   1. Perturb-Indikatorgewichte um ±10 % (einzeln oder innerhalb der Dimension), während sie renormiert, SI neu berechnet und SI-Schwankungen zusammenfasst, um Hebelpunkte zu identifizieren (Tabelle 2).
   2. Interpretiere Indikatoren mit geringem Gewicht, aber hoher Sensibilität als potenzielle "Schwellenwertrisiken" und melde diese explizit.

Ergebnisse

Dimensionsgewichte und Schlüsselindikatoren
Mit dem fuzzy-analytischen Hierarchieprozess (FAHP) zeigten die Dimensionsgewichte, dass die technische Dimension (T) den größten Anteil zur Nachhaltigkeit leistet (0,32), gefolgt von der kulturellen Dimension (C, 0,26) und der pädagogischen Dimension (P, 0,23), während die politische Dimension (G) das niedrigste Gewicht erhielt (0,19)¹⁷. Auf Indikatorebene priorisierte die technische Dimension funkti...

Diskussion

Dieses Protokoll zeigt, dass ein hybrider FAHP–FCE-Workflow die "Lehre von Nachhaltigkeit" in digital unterstützten internationalen chinesischen Literaturkursen als transparenten, reproduzierbaren Index und nicht als lose definiertes Ergebnis umsetzen kann. Die Ergebnisse zeigen, dass die technische Funktionalität als Voraussetzung für Nachhaltigkeit fungiert, wobei die algorithmische Interpretierbarkeit die höchste Empfindlichkeit gegenüber Schwankungen des Nachhaltigkeitsindex (SI)

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Lernfragebogen (19 Fragen)	Selbst entworfen	N/A	Früher sammelte ich Lerner-Karten Bewertungen von Technologie, Pädagogik, Kultur und politischen Dimensionen; 7-Punkte-Likert-Skala
Experten-Paarweise-Vergleichsformular	Selbst entworfen	N/A	Früher sammelten sie Experten Fuzzy-paarweise Vergleiche zur FAHP-Gewichtsberechnung
Datenerfassungsvorlage & Drehbücher	Excel / Python	N/A	Verwendet für Datenspeicherung, Berechnung von Mitgliedschaftsmatrixen und Erzeugung des Sustainability Index (SI)